金融时序专题：金融科技赋能投研系列之十，金安理得~配置的黄金岁月

华泰期货| 金融时序专题报告 2020-02-06 投资咨询业务资格： 证监许可【2011】1289 号 研究院 量化组 研究员 罗剑  0755-23887993  luojian@htfc.com 从业资格号：F3029622 投资咨询号：Z0012563 陈辰  0755-23887993  chenchen@htfc.com 从业资格号：F3024056 投资咨询号：Z0014257 何绪纲  0755-23887993  hexugang@htfc.com 从业资格号：F3069194 金融科技赋能投研系列之十： “金”安理得—配置的黄金岁月 摘要： 我们在前面的一系列研究报告中提出了一种有效的数据处理方法—多周期分解。随后在不同周期尺度上考虑了金融数据统计性质的差异性，其中包括自相关性，时间序列见的相关性，类周期性，相变等重要统计特征。其中，若干重要特征的出现时点还做了历史重要事件的对应比较，确认了我们方法的有效性。进一步，我们也对这些重要性质的配置应用做了初步的探讨。 在这一篇报告中，我们把目光转向更加实战的角度，通过大类资产配置来构建投资策略。本文将重点考虑股票，债券，商品这三类重要资产类型。我们发现，在中国市场逐渐对外开放，投资结构逐渐成熟的过程中，大类资产的风险分散化配置，特别是加入了黄金的投资组合在收益率和风险控制方面都具有明显的优势。结合对未来中国金融市场发展的展望，我们认为黄金配置的关键时间段已经来临。 华泰期货|金融时序专题报告 2020-02-06 2 / 13 一、背景介绍 在我们前期一系列的研究报告中，我们逐渐打造了一套科学的数据处理模式。结合了跨学科的多样化研究方法，我们确立了对金融数据做多周期尺度分解，并在不同周期尺度上监控市场变化的观测方法。在对历史数据的研究框架中，我们着重考虑两个方面的影响：首先是，不同类周期尺度上，金融市场的变化特征：标的物在不同类周期尺度上的复现规律，波动性变化，自相关性等。其次，在不同周期尺度上，考虑不同标的物（及其影响因素）之间的相关性，风险指标的相对变化，或则因子的影响力变化等。 上述的研究框架为我们严格、灵活研究金融市场提供了必要的数据应用模式。在大数据发展的宏观背景下，我们的数据来源及采集频率越来越多样化和复杂化。不同类型数据对标的物影响的差异集中体现在不同的类周期尺度上。比如 PMI 数据，每月发布一次。除非是令人十分意外的数值，一般来说其对市场直接冲击时间较短；但是，另一方面，从宏观研究的逻辑来说，PMI 是重要的产业先行指标，其影响跨度也以月度计。所以，我们对数据的分解本质上是源于对不同频率采样数据的匹配度出发来建立的，这是我们研究数据体现严格性的一面。另一方面，当我们走向投研判断时，需要在不同的交易频率上做出不同的投资决策。例如，我们需要月度调整资产配置权重（如下文将要遇到的情况），但是，行情数据采集频率是日度。如果不对数据做多个周期的分解，并且着重研究标的物风险指标的月度变化规律，就极有可能被日度数据的（较高程度）波动性噪音干扰，对后续风险平价模型的输出结果造成很大影响。这是我们研究过程中需要灵活提取数据信息的方面。 需要强调，我们具体的研究方法融合了多个科研领域（物理学，信号学，生态学等）的数据处理方法。若干非线性方法是传统金工方法无法直接获取的。比如，研究金融时序相变时，使用递归图寻找数据在不同周期尺度上的复现规律,就无法通过线性随机模型或则单一周期频率拟合得到[1]。 在完善了上述数据分析框架之后，我们把方法论推广到实战领域。在之前的报告中我们已经开始尝试将这一套方法投放到投资策略研究领域，并对海外市场做了初步测试[2]。在积累了一定数据基础之后，现在集中对国内市场做策略研发。本文考虑大类资产配置，将主要考察股票，债券和商品三类资产：沪深 300 指数，5 年期国债（期货主连），黄金期货（主连）。我们将发现在传统 60/40 股债基础上，配置黄金取得了优异的投资结果。分析了背后的投资逻辑之后，我们判断后市这依然是较好的投资模式。 下文，我们将首先通过多周期尺度数据分解的模式，在月度调仓的频率下，标的物之间的相关性状况，从而引出我们大类资产配置逻辑。然后，我们应用风险平价模型构造虚拟投资组合，观察策略不同时段的表现，并给出损益来源判断。最后，探讨大类资产未来发展的可能方向。同时，我们判断黄金后市大有可为。 华泰期货|金融时序专题报告 2020-02-06 3 / 13 二、方法论 首先，我们所有数据来自于交易型数据，均使用日度采集频率。 但是由于随后大类资产配置策略将在月度调仓基础上构造，以此对应，我们也将日度数据分解到不同的周期尺度上，并且重点研究与我们调仓周期最吻合的数据统计特征，以此引出投资逻辑。 然后，我们利用风险平价模型来构建投资权重模型。我们将看到经典 60/40 股债模型在国内市场也能发挥很好的投资效能（至少最近几年以来）--其对应周期上的相关性特征也支持该判断。 接着，我们在这个基础上引入黄金的配置。并根据黄金与股债的风险程度进行风险平价配置。我们将看到，黄金在配置中起到了关键作用。 三、数据分解&相关性分析 1. 数据分解 在大类资产配置的逻辑中，收益的主要来源来自于不同市场行情条件下，不同风险资产的相对风险溢价水平；简单来说，就是挑选当前估值水平较低的资产，赋予较高权重以期获得较好回报。同时，由于在大类资产配置中，因为不同类型资产在一定行情下有显著的差异化表现，从而为平滑化投资风险提供了对冲机制。 所以，我们在第一步将考察各类型资产的相关性关系。为此，我们列出多个标的物进行测试： 1) 股票：主要指数—上证 50，沪深 300，中证 500 和龙头黄金股 2) 债券：5 年期国债（投资工具使用 5 年期国债期货） 3) 商品：黄金，白银，铜（投资工具为对应国内场内期货） 其中黄金龙头股由山东黄金（600547）、中金黄金（600489）和紫金矿业（601899）三只黄金股票等权组成。 2. 相关性分析 华泰期货|金融时序专题报告 2020-02-06 4 / 13 图 1： 相关性分析（全部数据，2013-09 到 2020-01） 图 2： 相关性分析（近两年，2018-01 到 2020-01） 数据来源：Wind 华泰期货研究院 数据来源：Wind 华泰期货研究院 首先，在月度周期的尺度上，权益类资产与债券类资产之间的负相关性近两年来显著升高。这也是国内金融市场持续深化发展，股债市场之间加强联动必然带来的结果。而目前的时间点则是国内市场进一步对外开放，投